Algoritmo de optimización multiobjetivo inspirado en la estrella de mar para diseño ingenieril y problemas de flujo de potencia óptimo

Compromisos más inteligentes para decisiones ingenieriles complejas

Las tecnologías cotidianas —desde redes eléctricas hasta cajas de cambios— deben equilibrar objetivos en conflicto: mantener los costes bajos, reducir la contaminación y garantizar seguridad y fiabilidad. Este artículo presenta un nuevo algoritmo, inspirado en la modesta estrella de mar, que ayuda a los ingenieros a gestionar estos compromisos de forma más eficiente. Al imitar cómo las estrellas de mar exploran su entorno, cazan y regeneran brazos perdidos, el método encuentra simultáneamente muchas soluciones de compromiso de alta calidad, ofreciendo a los responsables de la toma de decisiones un abanico más amplio de opciones en lugar de una única "mejor" respuesta.

Por qué es tan difícil equilibrar múltiples objetivos

Los problemas reales de ingeniería rara vez tienen un único objetivo. Por ejemplo, la operación de un sistema eléctrico implica minimizar el coste del combustible, al tiempo que se reducen las emisiones, las pérdidas en las líneas de transmisión y la inestabilidad de tensión. Mejorar un objetivo a menudo empeora otro. En lugar de un único óptimo, suele existir una frontera curva de elecciones igualmente razonables, conocida como frente de Pareto, donde acercarse a una meta supone alejarse de otra. Encontrar un conjunto de soluciones que esté próximo a esa frontera y distribuido de forma uniforme a lo largo de ella exige un gran esfuerzo computacional, especialmente a medida que los sistemas se vuelven más grandes y complejos.

Del comportamiento de la estrella de mar a la estrategia de búsqueda

Los autores se apoyan en un método previo de un solo objetivo llamado Algoritmo de Optimización de la Estrella de Mar, que modela tres comportamientos naturales: exploración, cuando el animal escanea su entorno con múltiples brazos; depredación, al localizar alimento; y regeneración, cuando un brazo se pierde y se vuelve a regenerar lentamente. En la versión algorítmica, cada "estrella de mar" representa un diseño candidato o un punto de operación. Durante la exploración, solo unas pocas coordenadas de cada estrella se mueven a la vez, lo que ayuda a rastrear espacios amplios con eficiencia. En la explotación, las estrellas se mueven en dos direcciones alrededor de las mejores soluciones actuales, afinando diseños prometedores. Un paso de regeneración reduce ocasionalmente una solución y la empuja en una dirección nueva, restaurando la diversidad y ayudando a escapar de callejones locales.

Convertir un objetivo único en múltiples objetivos

Para adaptar esta idea a problemas con múltiples metas, los autores proponen el Algoritmo de Optimización Multiobjetivo de la Estrella de Mar (MOSFOA). MOSFOA integra los movimientos de las estrellas en una capa de clasificación y selección tomada de métodos evolutivos líderes. En cada generación, todas las soluciones candidatas se ordenan en "frentes" según si alguna solución supera claramente a otra en todos los objetivos. El frente mejor contiene aquellas que no son vencidas simultáneamente en todas las metas. Dentro de cada frente, una medida de distancia de hacinamiento favorece los puntos que están bien separados de sus vecinos, evitando que el algoritmo se concentre solo en una región de la curva de compromiso. En conjunto, estos mecanismos aseguran que los movimientos de las estrellas empujen a la población tanto hacia el frente de Pareto como a lo largo de él, preservando una amplia diversidad de opciones.

Poniendo el método a prueba

MOSFOA se prueba en una amplia batería de referencias matemáticas estándar diseñadas para poner a prueba distintos aspectos de la búsqueda multiobjetivo, incluyendo frentes convexos, cóncavos, fragmentados o plagados de trampas locales. Los autores comparan su algoritmo con diez competidores bien conocidos y evalúan el rendimiento usando indicadores aceptados que capturan qué tan cerca están las soluciones del verdadero frente de Pareto y cuánto lo cubren. En la mayoría de las pruebas, MOSFOA logra distancias menores a la curva de compromiso ideal y un mayor volumen cubierto en el espacio de objetivos, lo que indica tanto mejor precisión como mayor diversidad. Una medida matemática basada en condiciones clásicas de optimalidad confirma además que sus soluciones se sitúan muy próximas a los compromisos teóricamente mejores.

Impacto en el mundo real: redes eléctricas y diseño mecánico

Más allá de las funciones de prueba, el algoritmo se aplica a tareas de ingeniería exigentes. Un conjunto de ensayos emplea una red eléctrica estándar de 30 nodos, donde MOSFOA ayuda a los operadores a minimizar conjuntamente los costes de combustible, las emisiones, las pérdidas de potencia y las desviaciones de tensión bajo restricciones realistas sobre generadores, transformadores y seguridad de la red. Otra aplicación aborda un reductor de velocidad —un componente de caja de engranajes— en la que el algoritmo busca diseños que minimicen tanto el volumen de material como las tensiones mecánicas. En ambos casos, MOSFOA encuentra de forma consistente compromisos de alta calidad que respetan todos los límites de seguridad, y lo hace con mayor fiabilidad a lo largo de ejecuciones repetidas que las técnicas competidoras.

Qué significa esto para no especialistas

En términos prácticos, este trabajo ofrece a ingenieros y planificadores una forma más fiable de visualizar el panorama completo de "buenos compromisos" en lugar de un único punto recomendado. Al combinar una metáfora biológica simple con un riguroso control matemático de clasificación y diversidad, MOSFOA produce conjuntos de soluciones que están cerca del óptimo y bien distribuidos, facilitando la elección según prioridades locales —ya sea electricidad más barata, aire más limpio o maquinaria de mayor durabilidad. Los resultados del estudio, incluidos los aplicados a sistemas eléctricos reales y problemas de diseño industrial, sugieren que este enfoque inspirado en la estrella de mar es una adición prometedora a la caja de herramientas para la toma de decisiones complejas.

Cita: Jameel, M., Merah, H., El-latif, A.M.A. et al. Multiobjective starfish optimization algorithm for engineering design and optimal power flow problems. Sci Rep 16, 3302 (2026). https://doi.org/10.1038/s41598-026-35329-4

Palabras clave: optimización multiobjetivo, metaheurísticas, planificación de sistemas eléctricos, diseño ingenieril, frente de Pareto